論文の概要: Personalized Federated Domain Adaptation for Item-to-Item Recommendation
- arxiv url: http://arxiv.org/abs/2306.03191v1
- Date: Mon, 5 Jun 2023 19:06:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 18:38:29.996092
- Title: Personalized Federated Domain Adaptation for Item-to-Item Recommendation
- Title（参考訳）: 項目間推薦のための個人化フェデレーションドメイン適応
- Authors: Ziwei Fan, Hao Ding, Anoop Deoras, and Trong Nghia Hoang
- Abstract要約: アイテムツーアイテム(I2I)レコメンデーションは、ほとんどのレコメンデーションシステムにおいて重要な機能である。
グラフニューラルネットワーク(GNN)に基づくパーソナライズド・フェデレーション・モデリング・フレームワークの提案と検討を行う。
我々の重要な貢献は、近年のフェデレーションGNNと(グラフ以外の)パーソナライズされたフェデレーション学習のギャップを埋めるパーソナライズされたグラフ適応モデルである。
- 参考スコア（独自算出の注目度）: 11.65452674504235
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Item-to-Item (I2I) recommendation is an important function in most
recommendation systems, which generates replacement or complement suggestions
for a particular item based on its semantic similarities to other cataloged
items. Given that subsets of items in a recommendation system might be
co-interacted with by the same set of customers, graph-based models, such as
graph neural networks (GNNs), provide a natural framework to combine, ingest
and extract valuable insights from such high-order relational interactions
between cataloged items, as well as their metadata features, as has been shown
in many recent studies. However, learning GNNs effectively for I2I requires
ingesting a large amount of relational data, which might not always be
available, especially in new, emerging market segments. To mitigate this data
bottleneck, we postulate that recommendation patterns learned from existing
mature market segments (with private data) could be adapted to build effective
warm-start models for emerging ones. To achieve this, we propose and
investigate a personalized federated modeling framework based on GNNs to
summarize, assemble and adapt recommendation patterns across market segments
with heterogeneous customer behaviors into effective local models. Our key
contribution is a personalized graph adaptation model that bridges the gap
between recent literature on federated GNNs and (non-graph) personalized
federated learning, which either does not optimize for the adaptability of the
federated model or is restricted to local models with homogeneous
parameterization, excluding GNNs with heterogeneous local graphs.
- Abstract（参考訳）: item-to-item(i2i)レコメンデーションは、多くのレコメンデーションシステムにおいて重要な機能であり、他のカタログアイテムとのセマンティックな類似性に基づいて、特定のアイテムに対するリプレースや補足の提案を生成する。
レコメンデーションシステム内の項目のサブセットが、同じ顧客セットによって相互に相互作用する可能性があることを考慮すれば、グラフニューラルネットワーク(GNN)のようなグラフベースのモデルが、カタログ化された項目間の高次の関係性相互作用とメタデータの特徴を結合、取り込み、抽出するための自然なフレームワークを提供する。
しかし、I2Iで効果的にGNNを学習するには、特に新興市場セグメントにおいて、常に利用できるとは限らない大量のリレーショナルデータを摂取する必要がある。
このデータのボトルネックを軽減するため、既存の成熟した市場セグメント(プライベートデータ)から学んだレコメンデーションパターンは、新興市場向けの効果的なウォームスタートモデルを構築するために適応できると仮定した。
そこで本研究では,GNNをベースとしたパーソナライズド・フェデレーション・モデリング・フレームワークを提案する。
我々の重要な貢献は、近年のGNNに関する文献と(非グラフ)パーソナライズされた学習のギャップを埋めるパーソナライズされたグラフ適応モデルである。
関連論文リスト
- Topology-Aware Popularity Debiasing via Simplicial Complexes [19.378410889819165]
TSP(Test-time Simplicial Propagation)は、グラフニューラルネットワーク(GNN)の表現性を高めるために、simplicial Complex(SC)を組み込んだ。
提案手法は, SCを用いて複数順序関係を捕捉し, ユーザとイテムのインタラクションをより包括的に表現する。
提案手法はより均一なアイテム表現分布を生成し,より公平で正確なレコメンデーションを実現する。
論文 参考訳（メタデータ） (2024-11-21T07:12:47Z) - Towards Graph Foundation Models for Personalization [9.405827216171629]
本稿では、パーソナライズに適したグラフベースの基礎モデリング手法を提案する。
当社のアプローチは厳格にテストされ、さまざまな製品にレコメンデーションを提供する上で有効であることが証明されています。
論文 参考訳（メタデータ） (2024-03-12T10:12:59Z) - APGL4SR: A Generic Framework with Adaptive and Personalized Global
Collaborative Information in Sequential Recommendation [86.29366168836141]
逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。
APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。
一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
論文 参考訳（メタデータ） (2023-11-06T01:33:24Z) - GNN-GMVO: Graph Neural Networks for Optimizing Gross Merchandise Value
in Similar Item Recommendation [12.25382490978895]
類似のアイテムレコメンデーションは、Eコマース業界における重要なタスクであり、顧客が類似した関連する選択肢を探索するのに役立つ。
従来の機械学習モデルにもかかわらず、グラフニューラルネットワーク(GNN)は製品間の類似性のような複雑な関係を理解することができる。
本稿では,GNN-GMVO(Graph Neural Network - Gross Merchandise Value)と呼ばれる新しいGNNアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-10-26T18:43:16Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳（メタデータ） (2023-08-01T09:31:44Z) - Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。
自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。
特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
論文 参考訳（メタデータ） (2022-10-22T17:29:34Z) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳（メタデータ） (2022-09-12T09:19:22Z) - Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。
本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
論文 参考訳（メタデータ） (2021-08-16T04:20:09Z) - Graph Neural Networks for Inconsistent Cluster Detection in Incremental
Entity Resolution [3.4806267677524896]
成熟したデータリポジトリでは、関係は概ね正しいが、元のデータやエンティティの解決システムにおけるエラーのため、漸進的な改善が必要である。
本稿では,共存しない既存関連製品群である不整合クラスタ(ic)を同定する新しい手法を提案する。
既存のMessage Passing Neural Networkがこのタスクで、従来のグラフ処理技術を上回る性能を発揮することを実証する。
論文 参考訳（メタデータ） (2021-05-12T20:39:22Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。